该研究由Jian Gao（香港大学社会科学学院、西北大学科学科学与创新中心、凯洛格管理学院、瑞安复杂性研究所）和Dashun Wang（西北大学科学科学与创新中心、凯洛格管理学院、瑞安复杂性研究所、麦考密克工程学院）共同完成，发表于2024年12月的《Nature Human Behaviour》期刊（Volume 8, pp. 2281–2292），DOI: 10.1038/s41562-024-02020-5。

学术背景

本研究属于科学计量学与人工智能交叉领域。随着人工智能（AI）技术的快速发展，其在科学研究中扮演的角色日益重要，但学界缺乏对AI在科学研究中实际应用及其潜在益处的系统性量化评估。既往研究多聚焦AI对劳动力市场和经济的影响（如Brynjolfsson & Mitchell 2017），而AI如何推动科学进步尚不明确。研究团队旨在开发测量框架，量化AI在科学研究中的直接使用情况及其关联效益，揭示学科差异、教育与应用的错位以及人口统计学差距。

研究方法与流程

研究分为四个核心环节：

1. 数据构建

   • 使用微软学术图谱（Microsoft Academic Graph, MAG）数据库，涵盖1960–2019年间7,460万篇论文，涉及19个学科和292个领域；整合美国专利商标局（USPTO）710万项专利（1976–2019）。
     
   • AI文献识别：通过MAG的五个AI相关领域标签（如”machine learning”、”computer vision”）筛选AI论文，并通过标题和摘要提取n-grams（如”deep learning”、”convolutional neural network”）。
     
   • 专利数据：基于专利分类代码和关键词识别AI专利。

2. 测量框架开发

   • 直接使用指标（AI n-gram框架）：计算各领域论文中AI相关n-grams的频率加权得分，公式为：
     [ S_t^d = \sum \hat{g}_t^b \cdot \hat{g}_t^{ai} ] 其中(\hat{g}_t^{ai})为AI文献n-grams频率向量，(\hat{g}_t^b)为目标领域n-grams频率向量。
     
   • 潜在效益指标（AI能力-领域任务框架）：
     
     • 从AI论文和专利标题中提取动词-名词对（如”learn representation”），通过自然语言处理（NLP）依赖解析算法量化AI能力。
       
     • 计算领域任务与AI能力的对齐度，公式为：
       [ S_t^p = \frac{\sum \hat{t}_t^b \cdot \hat{c}_t^{ai}}{\sum \hat{c}_t^{ai} \cdot \hat{c}_t^{ai}} ] 使用TF-IDF降低常见动词-名词对的权重。

3. 教育与合作分析

   • 教育匹配度：分析420万份大学课程大纲（Open Syllabus Project），计算各学科大纲引用AI论文的比例。
     
   • 跨学科合作：统计非计算机科学领域的AI论文中，领域专家与计算机科学家合作的比例（1980–2019）。

4. 人口统计学分析

   • 基于美国博士调查（Survey of Doctorate Recipients, SDR）数据，关联学科性别/种族比例与AI使用效益的关系。

主要结果

1. AI使用的普遍性与增长

   • 2015年后AI使用率显著上升（如计算机科学领域AI使用得分从2000年0.5%增至2019年1.3%）。
     
   • 提及AI n-grams的论文成为高被引论文（hit papers）的概率更高（19个学科中18个学科的AI/非AI论文高被引比>1，均值1.816）。
     
   • 生物学、经济学等非传统AI学科的AI使用增速显著（图1g,h）。

2. 潜在效益的学科差异

   • 生物学子领域”biological system”（AlphaFold相关）在非计算机科学领域中潜在效益排名第七（图2d）。
     
   • 学科内部异质性显著：医学整体AI效益中等，但其子领域”nuclear medicine”效益突出（补充图8）。

3. 教育与应用的错位

   • 计算机科学、数学、工程外的学科，AI教育水平与使用率相关性减弱（Pearson’s r=0.493, p=0.074）。
     
   • 工程领域跨学科合作比例从199年21%升至2019年44%（图3f）。

4. 人口统计学差距

   • 女性科学家比例高的学科AI使用效益更低（Pearson’s r=-0.555, p=0.032）。
     
   • 黑人科学家所在学科的AI效益得分比白人科学家低78–86%（图4g,h）。

结论与价值

1. 科学价值

   • 提出首个量化AI科学效益的双框架模型，揭示AI作为通用技术（general-purpose technology）在跨学科研究中的渗透规律。
     
   • 证实AI可通过任务对齐（如”predict protein structure”）驱动非传统领域突破（如AlphaFold）。

2. 政策意义

   • 指出AI教育需与领域需求匹配，建议加强跨学科合作（如生物学与计算机科学联合培养）。
     
   • 警示AI可能加剧科学界的性别/种族不平等，需针对性支持弱势群体参与AI研究。

研究亮点

1. 方法创新：融合n-gram和动词-名词对分析，突破传统文献计量局限。
   
2. 动态追踪：揭示2015年后AI科学应用的拐点现象，与深度学习技术爆发期吻合。
   
3. 社会洞察：首次量化AI效益的人口统计学差异，为科研公平性提供证据。

局限性

1. 数据截止2019年，未涵盖大语言模型（LLM）等近期突破；
   
2. 专利数据仅限美国，可能低估全球AI技术扩散；
   
3. 动词-名词对分析可能忽略任务上下文差异。
   

该研究为AI科学政策制定提供了数据基石，后续可结合基金会模型（foundation models）拓展动态评估框架。